摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-24页 |
1.1 研究背景 | 第11-12页 |
1.2 国内外研究现状 | 第12-20页 |
1.2.1 远程塔台研究现状 | 第12-16页 |
1.2.2 运动目标检测算法 | 第16-19页 |
1.2.3 基于ADS-B的数据融合 | 第19-20页 |
1.3 研究目的和意义 | 第20-21页 |
1.3.1 研究目的 | 第20页 |
1.3.2 研究意义 | 第20-21页 |
1.4 主要研究内容和创新点 | 第21-22页 |
1.4.1 主要研究内容 | 第21-22页 |
1.4.2 主要创新点 | 第22页 |
1.5 章节安排 | 第22-23页 |
1.6 本章小结 | 第23-24页 |
第二章 运动目标检测算法研究 | 第24-36页 |
2.1 传统运动目标检测算法 | 第24-26页 |
2.1.1 帧差法 | 第24页 |
2.1.2 光流法 | 第24-25页 |
2.1.3 背景差分法 | 第25页 |
2.1.4 传统运动目标检测算法实用性分析 | 第25-26页 |
2.2 基于区域提名的运动目标检测算法 | 第26-31页 |
2.2.1 R-CNN算法 | 第26-27页 |
2.2.2 SPP-Net算法 | 第27-28页 |
2.2.3 Fast R-CNN算法 | 第28-29页 |
2.2.4 Faster R-CNN算法 | 第29-30页 |
2.2.5 基于区域提名的运动目标检测算法实用性分析 | 第30-31页 |
2.3 基于线性回归的运动目标检测算法 | 第31-35页 |
2.3.1 YOLO算法 | 第31-34页 |
2.3.1.1 YOLO V1 | 第31-32页 |
2.3.1.2 YOLO V2 | 第32-33页 |
2.3.1.3 YOLO V3 | 第33-34页 |
2.3.2 SSD算法 | 第34-35页 |
2.3.3 基于线性回归的运动目标检测算法实用性分析 | 第35页 |
2.4 本章小结 | 第35-36页 |
第三章 基于改进YOLO v3算法的运动目标检测 | 第36-54页 |
3.1 YOLO v3目标检测 | 第36-40页 |
3.1.1 YOLO v3网络结构 | 第36-37页 |
3.1.2 边框预测 | 第37-39页 |
3.1.3 损失函数 | 第39页 |
3.1.4 YOLO v3运动目标检测的局限性 | 第39-40页 |
3.2 基于斥力损失的YOLO改进算法 | 第40-45页 |
3.2.1 Repulsion Loss斥力损失函数 | 第40-41页 |
3.2.2 斥力损失函数建模 | 第41-43页 |
3.2.3 基于RL损失函数的RL-YOLO | 第43-45页 |
3.2.3.1 YOLO损失函数解析 | 第43页 |
3.2.3.2 RL-YOLO损失函数建模 | 第43-45页 |
3.3 基于FPN的YOLO改进算法 | 第45-47页 |
3.3.1 特征金字塔定义 | 第45-46页 |
3.3.2 特征金子塔网络 | 第46-47页 |
3.3.3 FPN-YOLO网络结构 | 第47页 |
3.4 实验结果分析 | 第47-53页 |
3.4.1 数据集 | 第47-48页 |
3.4.2 训练模型 | 第48-50页 |
3.4.3 实验结果分析 | 第50-53页 |
3.5 本章小结 | 第53-54页 |
第四章 基于ADS-B的数据融合算法 | 第54-73页 |
4.1 ADS-B概述 | 第54-56页 |
4.2 ADS-B数据格式定义 | 第56-61页 |
4.3 基于ADS-B的数据融合算法 | 第61-71页 |
4.3.1 区域建模 | 第61-62页 |
4.3.2 判别目标所在区域 | 第62-63页 |
4.3.3 线性插值获得检测目标经纬度 | 第63-65页 |
4.3.4 检测目标与ADS-B数据融合 | 第65-67页 |
4.3.5 算法验证与仿真实现 | 第67-71页 |
4.4 本章小结 | 第71-73页 |
结论与展望 | 第73-74页 |
结论 | 第73页 |
展望 | 第73-74页 |
参考文献 | 第74-77页 |
附录 | 第77-80页 |
附录A:YOLO网络结构图 | 第77-78页 |
附录B:ADS-B数据集 | 第78-80页 |
攻读硕士学位期间取得的学术成果 | 第80-81页 |
致谢 | 第81-82页 |